La competenza epistemica nell’era dell’intelligenza artificiale

Come riconoscere l’errore quando chiediamo all’AI ciò che ancora ignoriamo

Premessa

Questo articolo è nato attorno a un tavolo di lavoro. Con colleghi ed esperti stavamo progettando un percorso per aiutare gli adolescenti a comprendere e usare l’intelligenza artificiale senza consegnarle il proprio giudizio. La domanda che ci accompagnava era semplice soltanto in apparenza. Quali capacità servono per vivere in un mondo nel quale una parte crescente delle informazioni che incontriamo viene scelta, ordinata o generata da sistemi che apprendono dai dati?

A un certo punto una collega pose la questione in modo diretto. «Se un ragazzo interroga l’intelligenza artificiale proprio perché non conosce una materia, come può accorgersi degli errori? Come distingue il vero dal falso se la macchina è la fonte alla quale si sta affidando?»

Le risposi d’istinto. «Non deve conoscere tutta la materia. Ha bisogno di competenza epistemica. Gli serve un metodo.» La conversazione proseguì, mentre quella domanda rimase con me. Sentivo di avere indicato una direzione utile e, insieme, di avere semplificato troppo. Che cosa avevo inteso come competenza epistemica? Fino a che punto un metodo può aiutarci quando ignoriamo il contenuto sul quale dovremmo pronunciarci?

La risposta che darei oggi conserva l’intuizione di allora e le aggiunge una condizione. Possiamo imparare a esaminare una fonte, ricostruire un ragionamento e misurare la nostra fiducia. Per valutare una diagnosi, una previsione economica o un’interpretazione giuridica serve però anche una conoscenza del campo. Quando quella conoscenza è ancora fragile, la competenza consiste anzitutto nell’accorgersene. Ci aiuta a cercare riscontri, a consultare fonti appropriate e, nei casi più delicati, a riconoscere il momento in cui il giudizio deve passare a una persona più esperta.

La questione, dunque, va oltre le allucinazioni dell’AI, cioè quelle risposte inventate o inesatte che sembrano credibili. Anche una risposta priva di errori evidenti può poggiare su fonti deboli, tacere un’incertezza o suggerire una conclusione più sicura di quanto consentano le prove. Il problema riguarda il modo in cui decidiamo che cosa merita fiducia e quali azioni possiamo fondare su quella fiducia. È qui che l’uso dell’AI diventa una questione educativa e una responsabilità del lavoro.

Quando l’ignoranza prende la forma di una risposta

Ci sono momenti in cui l’ignoranza si lascia riconoscere. La incontriamo nella pagina bianca, in un problema che continua a sfuggirci, in una parola di cui ignoriamo il significato. Quell’attrito rende percepibile la distanza fra ciò che sappiamo e ciò che dobbiamo ancora imparare. Anche prima dell’AI una risposta persuasiva poteva nascondere questa distanza. L’AI generativa rende però l’esperienza immediata e personale. Poniamo una domanda e, pochi secondi dopo, lo spazio vuoto è già occupato da un testo scorrevole, spesso ricco di particolari e capace di imitare il tono di chi conosce bene l’argomento. Possiamo continuare a interrogarlo e ricevere spiegazioni costruite sulle nostre richieste. La nostra ignoranza rimane, ma diventa più difficile sentirla.

Una ricerca di Steyvers e colleghi aiuta a comprendere questo passaggio. Gli studiosi hanno chiesto alle persone di valutare spiegazioni prodotte da grandi modelli linguistici, i sistemi sui quali si basa, ad esempio, ChatGPT. Hanno osservato che una spiegazione più lunga aumentava la fiducia dei lettori, anche quando quella maggiore ricchezza di parole aiutava poco a distinguere le risposte corrette da quelle sbagliate. Le persone distinguevano meglio le une dalle altre quando il linguaggio della spiegazione esprimeva un’incertezza coerente con la sicurezza stimata del modello (Steyvers et al., 2025). Quella stima era ricavata nelle condizioni della ricerca. Un’espressione come «sono sicuro», letta in una normale conversazione, richiede a sua volta una verifica. Lo studio riguarda prove circoscritte e lascia aperta la verifica in situazioni più complesse. Coglie tuttavia un punto essenziale. La fluidità con cui una risposta è scritta può essere scambiata per solidità della conoscenza.

Per chi sta imparando, questa somiglianza fra buona scrittura e buona conoscenza pesa ancora di più. Un principiante possiede pochi appigli per riconoscere una fonte inventata, un passaggio logico troppo rapido o un dato usato fuori contesto. Bastani e colleghi hanno studiato che cosa accade all’apprendimento quando gli studenti svolgono esercizi con l’aiuto dell’AI. La ricerca ha coinvolto quasi mille studenti di una scuola superiore turca durante quattro sessioni di matematica. GPT-4 li aiutava a svolgere meglio gli esercizi mentre potevano usarlo. Nella prova successiva, affrontata senza assistenza, gli studenti che avevano usato la versione simile a una chat ordinaria ottenevano risultati peggiori di quelli che avevano lavorato senza AI. Per gli studenti che avevano usato il tutor, progettato per fornire suggerimenti e alimentato con materiali predisposti dai docenti, i risultati non differivano in modo significativo da quelli del gruppo senza AI (Bastani et al., 2025). Migliorare la prestazione durante l’esercizio, dunque, può accompagnarsi a un apprendimento meno solido nelle prove successive. La durata di questo effetto e la sua presenza in altre discipline richiedono ulteriori verifiche.

Qualcosa di simile affiora nel lavoro. Lee e colleghi hanno raccolto le esperienze di 319 professionisti che lavorano soprattutto con informazioni. Chi dichiarava maggiore fiducia nell’AI riferiva anche un minore impiego del pensiero critico. Chi aveva più fiducia nelle proprie capacità di svolgere il compito riferiva invece un maggiore impiego del pensiero critico. Il pensiero critico, inoltre, sembrava spostarsi. La persona contribuiva meno alla prima elaborazione e dedicava più attenzione a controllare, integrare e sorvegliare la risposta prodotta dal sistema (Lee et al., 2025). Trattandosi di autovalutazioni, lo studio mostra un’associazione e lascia aperta la direzione del rapporto. Ci permette comunque di intravedere una trasformazione del lavoro mentale. Se la macchina prende la prima parola, l’essere umano rischia di incontrare il problema quando esso ha già assunto la forma proposta dalla macchina.

Qui si trova il paradosso da cui muove questo saggio. Quanto più l’AI diventa capace di offrirci risposte convincenti, tanto più abbiamo bisogno di capire quali ragioni permettano di accoglierle come conoscenza. Eppure la facilità dell’interazione può farci sentire che questo lavoro serva sempre meno.

Che cosa chiamo competenza epistemica

Per dare un nome più preciso a questa capacità possiamo partire dalla cognizione epistemica. L’espressione indica il modo in cui pensiamo la conoscenza stessa. Ogni volta che ci chiediamo che cosa vogliamo sapere, quali prove sarebbero sufficienti e quale percorso potrebbe condurci a una conclusione affidabile, stiamo già compiendo un lavoro epistemico. Il modello AIR raccoglie queste tre domande, come spiegano Barzilai e Chinn (2024). La sigla deriva dalle parole inglesi Aims, Ideals e Reliable processes. Gli Aims sono gli scopi della conoscenza. Possiamo voler spiegare un fenomeno o prevederne l’andamento, anche per decidere come agire. Gli Ideals sono i criteri con cui giudichiamo se il risultato è abbastanza buono. I Reliable processes sono i procedimenti che, in quel contesto, hanno maggiori probabilità di condurci a una conclusione attendibile. Il modello ci ricorda così una cosa molto concreta. Una previsione, una diagnosi e una ricostruzione storica chiedono prove e controlli diversi.

Barzilai e Chinn hanno sviluppato il modello Apt-AIR per descrivere la qualità con cui esercitiamo queste capacità. Apt indica che il risultato è raggiunto grazie alla competenza esercitata. L’aggiunta distingue quindi la conoscenza di un buon metodo dalla capacità di usarlo bene, riconoscendo quando le condizioni permettono di ottenere un risultato affidabile. Una persona può sapere che dovrebbe confrontare più fonti e scegliere ugualmente la prima che conferma ciò che pensa. Può conoscere il valore dell’incertezza e cercare una risposta assoluta quando deve prendere una decisione. La competenza appare nel modo in cui scopi, criteri e procedimenti vengono adattati alla situazione e regolati durante il ragionamento. Apt-AIR considera anche la motivazione e il coinvolgimento affettivo, insieme alla capacità di conoscere con altri. Per impegnarsi nella verifica occorre riconoscerne il valore e trovare condizioni nelle quali sia possibile esprimere un dubbio senza perdere credibilità (Barzilai & Chinn, 2018, 2024). AIR, dunque, è una mappa delle domande che guidano la conoscenza. Apt-AIR guarda alla qualità con cui sappiamo abitarle.

Questa prospettiva incontra capacità che conosciamo già. Il pensiero critico ci aiuta a esaminare argomenti e conclusioni. La metacognizione ci rende consapevoli del modo in cui stiamo ragionando. La competenza informativa guida la ricerca e la valutazione delle fonti. La conoscenza dell’AI permette di comprenderne possibilità e limiti (Long & Magerko, 2020). La conoscenza disciplinare offre infine i concetti senza i quali molte differenze resterebbero invisibili. A partire da questi modelli, possiamo leggere insieme queste risorse e orientarle verso una domanda che precede la decisione. Su quali ragioni possiamo fondare ciò che crediamo e ciò che stiamo per fare?

In questo articolo chiamo competenza epistemica la capacità di capire che cosa abbiamo bisogno di sapere per agire, di esaminare la provenienza e la qualità delle ragioni disponibili e di accordare la nostra fiducia alla forza effettiva delle prove. È una definizione di lavoro, che riprende prospettive già presenti nella letteratura e le mette in relazione con l’uso dell’AI. Per tradurla in uno strumento di valutazione servirà precisare quali comportamenti osservare e quale contributo aggiunga alle capacità già descritte. Questa capacità si esercita sempre dentro una situazione. Una diagnosi medica, una fonte storica e una previsione sul mercato del lavoro richiedono linguaggi e conoscenze differenti. In tutti questi casi, però, possiamo domandarci da dove provenga un’affermazione, quali dati la sostengano, quali passaggi conducano alla conclusione, quali spiegazioni alternative rimangano aperte e quali conseguenze avrebbe un errore.

Fidarsi fa parte del conoscere. Nessuno di noi può ricostruire da solo ogni sapere dal quale dipende la propria vita. Ci affidiamo a medici, ricercatori, istituzioni, comunità professionali e strumenti. Sperber e colleghi chiamano vigilanza epistemica la capacità di valutare chi ci parla e la qualità di ciò che ci comunica (Sperber et al., 2010). Questa vigilanza somiglia poco a una diffidenza permanente. È piuttosto l’arte di concedere fiducia per buone ragioni, sapendo fin dove può arrivare l’autorità di una fonte e restando disponibili a rivedere il giudizio quando incontriamo prove migliori.

Per giudicare serve anche conoscere

A scuola abbiamo spesso contrapposto le nozioni al metodo, come se dovessimo scegliere fra il possesso dei contenuti e la capacità di ragionare. L’AI rende questa contrapposizione ancora più seducente. Se una macchina può recuperare quasi ogni informazione, potremmo pensare che basti insegnare agli studenti a porre domande e a controllare le risposte. Proprio il controllo, però, ha bisogno di conoscenza.

Riconosciamo una fonte rilevante perché sappiamo qualcosa del campo al quale appartiene. Formuliamo una buona domanda perché possediamo parole e distinzioni che ci permettono di vedere il problema. Ci accorgiamo di un’eccezione perché abbiamo incontrato abbastanza casi da sentire che qualcosa non torna. Senza questa trama di conoscenze, il metodo rischia di ridursi a una sequenza di gesti eseguiti alla superficie. Controllare l’autore, la data e il numero delle fonti serve a poco se ignoriamo quali prove possano sostenere quella particolare conclusione.

Il metodo offre comunque un primo sostegno a chi comincia. Una studentessa può imparare a verificare se una fonte esiste, a distinguere un articolo scientifico da un commento e a confrontare documenti indipendenti. Crescendo nella disciplina, imparerà a porre domande più fini. Per giudicare uno studio dovrà comprenderne il disegno di ricerca. Per valutarne l’utilità in medicina dovrà conoscere anche la condizione clinica, la popolazione studiata e le possibili alternative. La competenza si approfondisce perché la conoscenza rende visibili aspetti del problema che prima sfuggivano.

Esiste però una capacità accessibile anche quando la nostra esperienza è limitata. Possiamo riconoscere che i criteri di cui disponiamo sono insufficienti. Da questa consapevolezza nasce una scelta responsabile. A volte cercheremo la fonte originaria o confronteremo più esperti. Altre volte sospenderemo il giudizio. Nei casi in cui una decisione possa incidere sulla salute, sui diritti o sulla vita di una persona, affideremo la valutazione a chi possiede la competenza necessaria. Anche questo affidamento richiede attenzione. Conta la pertinenza dell’esperienza rispetto al problema, insieme alla possibilità di esaminare le ragioni proposte e gli eventuali conflitti d’interesse. Di fronte a un disaccordo rilevante può servire un secondo parere indipendente. L’autonomia adulta comprende anche questo governo consapevole delle dipendenze attraverso cui conosciamo.

Come leggere una risposta dell’AI

Davanti a una risposta dell’AI, la prima domanda riguarda ciò che abbiamo ricevuto. Il sistema sta descrivendo un fatto, proponendo una spiegazione, formulando un’ipotesi, facendo una previsione o suggerendo una decisione? Queste risposte possono avere la stessa forma linguistica e chiedono prove diverse. Una previsione sul numero di occupati nel 2030, per esempio, dipende dai dati disponibili e dalle ipotesi sul futuro. Una raccomandazione professionale aggiunge valori, priorità e conseguenze per la persona. Capire che genere di affermazione abbiamo davanti evita di giudicarla soltanto per la sicurezza con cui è formulata.

Dobbiamo poi chiederci da dove arrivino le informazioni. Un modello linguistico può rispondere attingendo alle regolarità apprese durante l’addestramento, può lavorare sui documenti che gli abbiamo fornito oppure può consultare il web e una banca dati. In ciascun caso cambiano le possibilità di verifica. Una citazione, da sola, offre una promessa di controllo. La fonte alla quale rimanda può sostenere un’affermazione quando esiste, dice davvero ciò che le viene attribuito e offre prove adeguate alla domanda. Wineburg e McGrew hanno osservato che i verificatori professionisti, per valutare un sito, escono quasi subito dalla pagina e cercano altrove informazioni sull’autore e sulle sue affermazioni. Hanno chiamato questa pratica lettura laterale (Wineburg & McGrew, 2019). Invece di lasciarsi guidare dalla fonte che stanno valutando, ricostruiscono il contesto attraverso altre fonti. Anche l’indipendenza va accertata. Più pagine che riprendono lo stesso studio possono dare l’impressione di molte conferme, mentre rimandano a un’unica evidenza.

Anche un dato corretto può condurre a una conclusione fragile. Basta trasformare una correlazione in una causa, estendere a tutti un risultato medio o trattare uno studio circoscritto come una regola generale. Per questo la verifica prosegue oltre il controllo dei fatti. Cerca di ricostruire il ponte fra le prove e la conclusione. È spesso su quel ponte, più che nei singoli dati, che si nascondono le assunzioni fondamentali. Occorre inoltre distinguere le ragioni che il modello espone dal processo che ha generato la risposta. Chiedergli perché abbia risposto in un certo modo produce un’altra spiegazione, da esaminare a sua volta. La possibilità di controllare fonti e inferenze resta preziosa anche quando il funzionamento interno del sistema ci è solo parzialmente accessibile.

La cura con cui verifichiamo dovrebbe crescere insieme al rischio. Possiamo accogliere liberamente un errore durante una ricerca di idee; la stessa leggerezza sarebbe irresponsabile di fronte a una terapia, a una selezione del personale o a un atto amministrativo. Alcuni esperimenti sulle decisioni assistite aiutano a capire quali condizioni favoriscano il controllo. In compiti di soluzione di labirinti con un’AI simulata, Vasconcelos e colleghi hanno osservato che le spiegazioni potevano ridurre l’accettazione di indicazioni errate quando lo sforzo necessario per verificarle era giustificato dai benefici attesi (Vasconcelos et al., 2023). Buçinca e colleghi hanno sperimentato tre strategie per sollecitare il ragionamento, fra le quali formulare un primo giudizio prima di vedere il suggerimento di un’AI simulata. Rispetto alla semplice presentazione delle spiegazioni, queste strategie riducevano l’accettazione di suggerimenti errati nell’individuare l’ingrediente che contribuiva maggiormente ai carboidrati del pasto. I benefici erano più ampi fra le persone più inclini a impegnarsi nel ragionamento. Questo gruppo preferiva però le interfacce con semplici spiegazioni a quelle che sollecitavano lo sforzo cognitivo (Buçinca et al., 2021). Questi studi valutano le decisioni prese durante il compito. Resta da verificare se strategie simili aiutino anche a imparare con l’AI generativa. Possiamo ricavarne un’ipotesi educativa: chiedere uno sforzo di verifica che abbia senso per il compito e che la persona possa sostenere.

Il percorso si conclude quando decidiamo che cosa fare della risposta. In quel momento occorre conservare le fonti più importanti, dichiarare l’incertezza che rimane e rendere riconoscibile chi assume la responsabilità. Questa esigenza cresce con l’AI agentica, cioè con sistemi capaci di organizzare una serie di azioni e di eseguirle con una certa autonomia. Il problema riguarda allora anche ciò che il sistema è autorizzato a fare. Servono confini chiari, azioni reversibili quando possibile e una persona alla quale trasferire la decisione quando il rischio o l’incertezza diventano troppo elevati.

Una capacità che attraversa educazione e lavoro

La competenza che sto descrivendo possiede già molte stanze. Provo a percorrerle tenendo insieme i modelli epistemici e i riferimenti per l’educazione e il lavoro. DigComp 2.2, il quadro europeo delle competenze digitali dei cittadini, chiede di valutare l’affidabilità di dati e contenuti digitali e dedica numerosi esempi all’AI (Vuorikari et al., 2022). La successiva versione DigComp 3.0 integra le competenze relative all’AI in modo trasversale al quadro e introduce risultati di apprendimento più articolati (Cosgrove & Cachia, 2025). LifeComp raccoglie capacità vicine nel pensiero critico, nell’imparare a imparare e nella consapevolezza dei propri processi mentali (Sala et al., 2020). Anche PISA 2025 parla di conoscenza epistemica nell’educazione scientifica. Con questa espressione indica la comprensione del ruolo che osservazioni, dati, modelli e ragionamenti svolgono nel giustificare un’affermazione scientifica (OECD, 2026).

Giulia Lombardo propone di allargare l’imparare a imparare verso un imparare a conoscere. Porta così in primo piano qualità come l’onestà intellettuale, la disponibilità a correggersi e l’attenzione per prospettive diverse. Ricorda inoltre che la conoscenza nasce dentro rapporti sociali. Chiederci chi può contribuire, quali esperienze restano escluse e chi possiede l’autorità di stabilire che cosa valga come prova appartiene alla qualità del conoscere (Lombardo, 2025).

In Italia, un Focus dell’INAPP descrive un progetto per collegare i principali riferimenti europei con l’Atlante del lavoro e delle qualificazioni, lo strumento che descrive le attività professionali e le competenze (Giovannini et al., 2025). Il progetto intende costruire e sperimentare un metamodello capace di dialogare con l’Atlante. Questo lavoro offre un riferimento per esplorare come le capacità qui discusse si manifestino fra professioni e livelli di responsabilità diversi. Il loro raccordo con le attività dell’Atlante richiederebbe però un’elaborazione specifica e una verifica sul campo.

Questi contributi affrontano aspetti vicini del conoscere, pur avendo scopi e ambiti differenti. Valutare una fonte, sorvegliare il proprio ragionamento, comprendere come lavora la scienza e conoscere i limiti dell’AI può aiutarci a esaminare una risposta credibile prima di fondarvi una decisione. La competenza epistemica può offrire un principio per collegare queste capacità. Per insegnarla e valutarla dovremo descrivere che cosa fa una persona davanti a casi concreti e come cambia il suo giudizio quando incontra nuove prove. Dovremo anche osservare quanto di ciò che ha imparato riesca a usare in un compito diverso e quali conoscenze le servano per farlo.

Imparare come nasce una conoscenza

Educare a questa competenza significa mostrare anche come un contenuto è diventato conoscenza. La storia può farci seguire la provenienza di un documento e osservare come fonti diverse cambino una ricostruzione. Le scienze possono rendere visibile il cammino che lega un’osservazione a un’ipotesi e un’ipotesi a una spiegazione. L’economia può mostrare quanto una previsione dipenda dalle definizioni, dalle misure e dalle assunzioni scelte. Ogni disciplina ha sviluppato un proprio modo di porre domande e di riconoscere le prove. Insegnare una disciplina significa anche far entrare gli studenti dentro questo modo di conoscere.

Immaginiamo una classe che interroga l’AI su un problema aperto. Prima di leggere la risposta, gli studenti formulano una propria ipotesi, se possiedono elementi sufficienti. Chi comincia può invece indicare che cosa ha compreso e dove incontra una difficoltà. Un dubbio motivato offre all’insegnante un punto da cui partire. Dopo la risposta dell’AI, gli studenti scelgono le affermazioni che meritano un controllo, risalgono alle fonti importanti e cercano una spiegazione alternativa. Alla fine dichiarano quanta fiducia accordano alla conclusione e raccontano che cosa ha modificato il loro giudizio. L’insegnante può così osservare il percorso, oltre al risultato. Può vedere quali prove hanno contato e che cosa gli studenti riescono a comprendere e spiegare senza assistenza. Un caso nuovo, affrontato a distanza di tempo, aiuterebbe a riconoscere ciò che sanno trasferire. Le ricerche esaminate rendono ragionevole questa proposta; la sua efficacia dovrà essere verificata in classi reali e per periodi abbastanza lunghi da osservare ciò che rimane.

La semplice caccia agli errori dell’AI sarebbe troppo povera. Un testo può contenere dati esatti e condurre ugualmente verso una decisione fragile, perché ha scelto soltanto alcune informazioni, ha nascosto un’ipotesi o ha ignorato una conseguenza. L’obiettivo educativo riguarda quindi il cammino attraverso cui un’affermazione acquista valore conoscitivo. È quel cammino che permette allo studente di capire perché dovrebbe crederle.

Chinn, Barzilai e Duncan hanno proposto di educare gli studenti a riconoscere gli scopi della conoscenza, a scegliere criteri adeguati e a usare processi affidabili, soprattutto in un ambiente pubblico nel quale verità e falsità convivono e competono per la nostra attenzione (Chinn et al., 2021). Questo apprendimento coinvolge anche il carattere. Richiede curiosità, onestà verso le prove, disponibilità a cambiare idea e capacità di vivere per un certo tempo con una conclusione provvisoria. Sono disposizioni che crescono lentamente, perché toccano il rapporto fra la persona e la propria certezza. La curiosità può sostenere il desiderio di approfondire; la paura di sbagliare o il bisogno di apparire competenti possono rendere più difficile esprimere un’incertezza. Per questo l’attività va accompagnata da condizioni nelle quali cambiare idea abbia valore e dichiarare un limite permetta di ricevere aiuto.

Anche le organizzazioni imparano a conoscere

Ogni organizzazione costruisce una propria conoscenza del mondo. Decide quali dati raccogliere, a chi riconosce l’autorità di interpretarli, come documenta una scelta e che cosa fa quando scopre un errore. L’AI entra in questa trama e la modifica. Una risposta generata può passare rapidamente da una persona all’altra, essere incorporata in un documento e acquistare autorevolezza attraverso la ripetizione. Dopo alcuni passaggi diventa difficile ricordare da dove provenisse un’ipotesi e chi avrebbe dovuto verificarla.

Formare il singolo lavoratore, perciò, copre soltanto una parte del problema. L’organizzazione deve permettergli di lavorare bene. Le fonti principali devono restare rintracciabili, i criteri di qualità devono essere condivisi e ciascuno deve sapere quando chiedere l’intervento di una persona competente. Quando una decisione tocca diritti, sicurezza, opportunità o risorse, deve esistere anche la possibilità di contestarla e ottenerne il riesame. Occorre distinguere ciò che l’AI ha trovato nei documenti da ciò che ne ha inferito e dall’azione che suggerisce. La responsabilità può così restare legata a persone e ruoli riconoscibili. Per esercitarla servono però conoscenze e tempo adeguati al controllo, insieme all’autorità di fermare o correggere il processo. Chiedere una firma finale a chi dispone soltanto di pochi minuti rischia di lasciare la verifica sulla carta.

L’AI apre poi una seconda questione. Molte attività affidate a chi entrava in un mestiere servivano all’organizzazione e, nello stesso tempo, offrivano al principiante casi sui quali formare il proprio giudizio. Automatizzarle può aumentare la produttività di oggi e ridurre le occasioni attraverso cui prepariamo gli esperti di domani. L’effetto cambierà da un mestiere all’altro e dovrà essere studiato. Il tempo liberato potrebbe anche essere dedicato al confronto con un esperto e all’esame di casi più complessi. Il risultato dipenderà dalle scelte con cui organizzeremo il lavoro e l’apprendimento. Possiamo intanto progettare esperienze nelle quali chi comincia prova a formulare una valutazione, riceve il suggerimento dell’AI e ne discute le ragioni con un professionista esperto. La qualità del prodotto assistito andrebbe osservata insieme a ciò che la persona comprende e sa affrontare in seguito. Uno sforzo minore in una fase può lasciare più attenzione per un’altra; a contare è dove quella attenzione viene impiegata e che cosa permette di imparare.

Questa prospettiva interessa direttamente le politiche attive del lavoro. Essere occupabili significherà anche saper giudicare gli strumenti dai quali dipende una parte crescente del proprio lavoro. Le tecnologie cambieranno, così come i ruoli e le domande rivolte alle persone. La capacità di capire quando una risposta merita fiducia può attraversare queste trasformazioni e aiutare ciascuno a conservare una posizione attiva nella propria traiettoria professionale.

Orientarsi significa interrogare ciò che crediamo di sapere

L’orientamento ha sempre lavorato con informazioni incomplete. Scegliamo un percorso attraverso l’immagine che abbiamo di noi, i racconti della famiglia, le esperienze vissute e ciò che riusciamo a intravedere del lavoro futuro. L’AI può ampliare enormemente questa esplorazione. Può anche presentare come raccomandazione personale ciò che deriva da dati incompleti, da regolarità statistiche o da ipotesi rimaste invisibili. Una risposta apparentemente precisa rischia così di chiudere troppo presto una domanda che avrebbe bisogno di restare aperta.

Orientare significa allora aiutare una persona a interrogare la conoscenza sulla quale sta costruendo una scelta. Una previsione su una professione diventa più utile quando conosciamo i dati da cui proviene, il territorio e il periodo ai quali si riferisce e le attività che stanno cambiando dietro un nome professionale rimasto uguale. Diventa davvero significativa quando incontra esperienze concrete. Un laboratorio, una visita, un progetto o una conversazione con chi svolge quel lavoro possono trasformare una possibilità soltanto immaginata in qualcosa che la persona comincia a conoscere dall’interno.

Un orientatore consapevole di questa dimensione evita di presentare il futuro come una mappa già tracciata. Aiuta a rendere visibili le ipotesi e invita a cercare esperienze che possano metterle alla prova. Le informazioni possono correggere una previsione; la scelta comprende anche ciò che la persona considera desiderabile, gli impegni che assume e le condizioni nelle quali vive. Occorre poter discutere questi elementi, senza trasformare una raccomandazione statistica nel criterio unico di una biografia. Il contesto, inoltre, può essere interrogato e trasformato. L’orientamento può aiutare a riconoscere un vincolo che richiede sostegni o un’azione collettiva, invece di assumerlo come un limite individuale. L’AI può aprire scenari e suggerire domande. La qualità dell’orientamento dipende da ciò che accade dopo, quando quelle possibilità entrano in rapporto con esperienze e relazioni capaci di sostenerle.

Custodire il giudizio nell’età delle risposte

La domanda ascoltata attorno a quel tavolo conserva tutta la sua forza. Se interroghiamo l’AI perché ignoriamo qualcosa, raramente possediamo già la risposta con cui controllarla. Possiamo però imparare a capire quale genere di risposta abbiamo davanti, da dove provengono le informazioni e quanto le prove sostengano realmente la conclusione. Possiamo accordare la fiducia con misura e riconoscere il punto nel quale serve un sapere più esperto del nostro.

Questa capacità cresce insieme alla conoscenza e alla consapevolezza dei suoi confini. Appartiene alla persona e dipende, nello stesso tempo, dagli ambienti nei quali viene esercitata. Un’interfaccia che nasconde le fonti o un’organizzazione che premia soltanto la velocità rendono più difficile anche il giudizio di una persona prudente. La possibilità di ricostruire il percorso di una risposta, discuterla con altri e affidare i casi più incerti a chi possiede la responsabilità adeguata trasforma il dubbio in una risorsa condivisa.

L’AI rende più urgente un compito che appartiene da sempre al conoscere. Ricostruire perché una conclusione meriti fiducia e capire quale azione possa sostenere ci permette di rispondere delle nostre scelte. È questo il passaggio che la competenza epistemica, nel significato proposto qui, aiuta a custodire. Una risposta acquista valore conoscitivo quando le ragioni che la sostengono possono essere esaminate e restano aperte alla correzione.

La domanda iniziale assume così una forma più ampia. Quali capacità vogliamo far crescere nelle persone perché l’intelligenza delle macchine allarghi davvero il loro campo di possibilità e lasci spazio al loro giudizio? Educazione, lavoro e orientamento si incontrano qui, nel compito comune di formare persone capaci di usare le risposte senza smettere di cercare le ragioni.

Bibliografia

Barzilai, S., & Chinn, C. A. (2018). On the goals of epistemic education: Promoting apt epistemic performance. Journal of the Learning Sciences, 27(3), 353–389. https://doi.org/10.1080/10508406.2017.1392968

Barzilai, S., & Chinn, C. A. (2024). The AIR and Apt-AIR frameworks of epistemic performance and growth: Reflections on educational theory development. Educational Psychology Review, 36, Article 91. https://doi.org/10.1007/s10648-024-09927-5

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122

Buçinca, Z., Malaya, M. B., & Gajos, K. Z. (2021). To trust or to think: Cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW1), Article 188, 1–21. https://doi.org/10.1145/3449287

Chinn, C. A., Barzilai, S., & Duncan, R. G. (2021). Education for a “post-truth” world: New directions for research and practice. Educational Researcher, 50(1), 51–60. https://doi.org/10.3102/0013189X20940683

Cosgrove, J., & Cachia, R. (2025). DigComp 3.0: European Digital Competence Framework (5th ed.). Publications Office of the European Union. https://doi.org/10.2760/0001149

Giovannini, F., Pacquola, M., Pacquola, B., Porcelli, R., & Santanicchia, M. (2025). Verso un metamodello delle competenze chiave e dei framework: Lo scenario europeo (Focus INAPP n. 10). INAPP. https://oa.inapp.gov.it/handle/20.500.12916/4974

Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (Article 1121, pp. 1–22). Association for Computing Machinery. https://doi.org/10.1145/3706598.3713778

Lombardo, G. (2025). Competenza epistemica: Imparare a conoscere in ottica inclusiva. Educazione Aperta, 18. https://doi.org/10.5281/zenodo.16794866

Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems(Article 598, pp. 1– 16). Association for Computing Machinery. https://doi.org/10.1145/3313831.3376727

OECD. (2026). PISA 2025 assessment and analytical framework. OECD Publishing. https://doi.org/10.1787/86c36975-en

Sala, A., Punie, Y., Garkov, V., & Cabrera Giraldez, M. (2020). LifeComp: The European framework for personal, social and learning to learn key competence. Publications Office of the European Union. https://doi.org/10.2760/302967

Sperber, D., Clément, F., Heintz, C., Mascaro, O., Mercier, H., Origgi, G., & Wilson, D. (2010). Epistemic vigilance. Mind & Language, 25(4), 359–393. https://doi.org/10.1111/j.1468-0017.2010.01394.x

Steyvers, M., Tejeda, H., Kumar, A., Belem, C., Karny, S., Hu, X., Mayer, L. W., & Smyth, P. (2025). What large language models know and what people think they know. Nature Machine Intelligence, 7, 221– 231. https://doi.org/10.1038/s42256-024-00976-7

Vasconcelos, H., Jörke, M., Grunde-McLaughlin, M., Gerstenberg, T., Bernstein, M. S., & Krishna, R. (2023). Explanations can reduce overreliance on AI systems during decision-making. Proceedings of the ACM on Human-Computer Interaction, 7(CSCW1), Article 129, 1–38. https://doi.org/10.1145/3579605

Vuorikari, R., Kluzer, S., & Punie, Y. (2022). DigComp 2.2: The digital competence framework for citizens with new examples of knowledge, skills and attitudes. Publications Office of the European Union. https://doi.org/10.2760/115376

Wineburg, S., & McGrew, S. (2019). Lateral reading and the nature of expertise: Reading less and learning more when evaluating digital information. Teachers College Record, 121(11), 1–40. https://doi.org/10.1177/016146811912101102